Schildklierkanker nu gediagnosticeerd met AI fotoakoestische/echografische beeldvorming

Schildklierkanker nu gediagnosticeerd met door machine learning aangedreven fotoakoestische/echografische beeldvorming

Een zwelling in de schildklier wordt een schildklieraandoening genoemd, evenals 5-10% van alle schildklieraandoeningen wordt gediagnosticeerd als schildklierkanker Schildklierkanker heeft een uitstekende diagnose, een hoge overlevingsprijs en een verlaagde terugkeerprijs, dus heel vroeg zowel medische diagnose als therapie zijn van vitaal belang. Onlangs heeft een gezamenlijke studiegroep in Korea een gloednieuwe niet-invasieve benadering aanbevolen om schildklierproblemen door kanker te identificeren door zowel fotoakoestische () als ultrasone beeldinnovatie te integreren met een expertsysteem.

De gezamenlijke studiegroep - bestaande uit professor Chulhong Kim en Dr. Byullee Park van POSTECH's Department of Electrical Engineering, Department of Convergence IT Engineering en Department of Mechanical Engineering, professor Dong-Jun Lim en professor Jeonghoon Ha van Seoul St Mary's Ziekenhuis van de Katholieke Universiteit van Korea, evenals professor Jeesu Kim van de Pusan ​​National University, hebben een onderzoek uitgevoerd om foto's te krijgen van mensen met zowel dodelijke als goedaardige onvolkomenheden en deze te onderzoeken met een deskundig systeem. Als erkenning van hun belang, werden de zoekopdrachten naar uit dit onderzoek vrijgegeven in Kanker onderzoek.

Momenteel wordt de medische diagnose van een schildklieraandoening gedaan met behulp van een fijne naald ambitiebiopsie (FNAB) met behulp van een echografie. Maar ongeveer 20% van de FNAB's is onbetrouwbaar, wat resulteert in herhaalde en onnodige biopsieën.

Om dit probleem te overwinnen, ontdekte de gezamenlijke studiegroep dat ze met behulp van beeldvorming een ultrasoon signaal konden verkrijgen dat door licht werd gecreëerd. Wanneer licht (laser) wordt bestraald op de schildkliervlek van het individu, wordt een ultrageluidsignaal, een signaal genoemd, gecreëerd door zowel de schildklier als de vlek. Door dit signaal zowel te verkrijgen als te verfijnen, worden foto's van zowel de klier als de vlek verzameld. Als er op dit moment multispectrale signalen worden ontvangen, kunnen zuurstofverzadigingsdetails van de schildklier en schildklierafwijkingen worden bepaald.

De wetenschappers concentreerden zich op de realiteit dat de zuurstofverzadiging van dodelijke puistjes minder is dan die van typische puistjes, evenals verkregen foto's van mensen met dodelijke schildklierproblemen (23 personen) en mensen met goedaardige puistjes (29 personen). Door in vivo multispectrale beeldvorming uit te voeren op de schildkliervlekken van het individu, bepaalden de wetenschappers verschillende specificaties, bestaande uit de hemoglobinezuurstofverzadigingsgraad op de knobbellocatie. Dit werd onderzocht met behulp van kunstmatige-intelligentiestrategieën om zowel effectief als onmiddellijk te categoriseren of de schildklieraandoening dodelijk of goedaardig was. In de eerste categorie was het niveau van gevoeligheid om haat als dodelijk te categoriseren 78%, evenals de uniciteit om goedaardig als goedaardig te categoriseren was 93%.

De resultaten van de evaluatie verkregen door kunstmatige-intelligentiestrategieën in de 2e evaluatie werden opgenomen met de resultaten van de eerste evaluatie op basis van echografiefoto's die doorgaans worden gebruikt in zorginstellingen. Nogmaals, er werd geverifieerd dat de dodelijke schildklierproblemen kunnen worden geïdentificeerd met een gevoeligheidsniveau van 83% en een uniciteit van 93%.

Nog meer actie, toen de wetenschappers het gevoeligheidsniveau op 100% hielden in de 3e evaluatie, kwam de uniciteit op 55%. Dit had te maken met 3 keer meer dan de uniciteit van 17.3% (gevoeligheid van 98%) van de eerste evaluatie van schildklierproblemen met behulp van de standaard echografie.

Het resultaat was dat de waarschijnlijkheid om goedaardige, niet-kwaadaardige onvolkomenheden op de juiste manier te identificeren meer dan 3 keer groter was, wat aantoont dat overdiagnose, evenals onnodige biopsieën en dubbele onderzoeken aanzienlijk kunnen worden verlaagd, en bijgevolg te veel klinische prijzen minimaliseren.

"Deze studie is belangrijk omdat het de eerste is die fotoakoestische beelden van schildklierknobbeltjes verzamelt en kwaadaardige knobbeltjes classificeert met behulp van machine learning", zegt professor Chulhong Kim van POSTECH. "Naast het minimaliseren van onnodige biopsieën bij patiënten met schildklierkanker, kan deze techniek ook worden toegepast op een verscheidenheid aan andere vormen van kanker, waaronder borstkanker."

"Het ultrasone apparaat op basis van foto-akoestische beeldvorming zal nuttig zijn bij het effectief diagnosticeren van schildklierkanker die vaak wordt aangetroffen tijdens gezondheidscontroles en bij het verminderen van het aantal biopsieën", beschreef professor Dong-Jun Lim van het Seoul St Mary's Hospital. "Het kan worden ontwikkeld tot een medisch hulpmiddel dat gemakkelijk kan worden gebruikt bij patiënten met schildklierknobbels.".